BMP、JPG、GIF图片隐写：LSB、DCT系数与文件段路线

简介：围绕BMP、JPG、GIF三种常见图片格式的隐写实现，这份C++源码包面向信息安全学习者、课程设计开发者以及需要理解图片信息隐藏原理的读者，帮助其从代码层面认识文件头篡改、像素数据利用与尾部追加等思路。包内共5个文件，以4个cpp源文件和1个h头文件为主，分别承载BMP尺寸处理、主流程组织以及JPG、GIF隐写实现，压缩包约5KB，体量轻便，便于快速浏览与本地编译调试。内容涉及BMP文件头与像素区嵌入、JPEG压缩域与DCT系数调整、GIF的LZW压缩特性及扩展块/全局颜色表利用，并通过头文件组织接口，便于对照三种格式的差异。已有6127人学习，适合作为信息安全实验、隐写分析入门和版权保护相关课题的参考代码，也可在此基础上做检测与提取模块的二次开发，对信息隐藏的安全性与不可察觉性取舍形成直观认识。

1. BMP、JPG、GIF 图片隐写先分清三条路线：为什么有人能读回，有人一保存就翻车

我常遇到一个场景：一段校验串明明已经写进图片，发给对方再保存一次，读出来却是乱码。BMP、JPG、GIF 图片隐写看着都是“往图里塞数据”，实际是三条完全不同的工程路线。BMP 无压缩，改像素字节的最低位最直接；JPG 要经过 DCT 量化和熵编码，像素 LSB 很容易被有损链路洗掉，得盯系数或文件段；GIF 是索引色，调色板顺序、注释扩展和帧结构比硬改 RGB 更稳。下面按容量、参数、代码和排查顺序拆开讲，适合手里有合法素材、要做水印、校验串或演示程序的开发者。

2. BMP 隐写：从文件头偏移到像素低位，先把容量算准

2.1 BMP 的文件结构为什么适合做 LSB：头、调色板与像素阵列

BMP 是理解图片隐写最好的起点，因为它把“文件头”和“像素数据”分得很清楚。常见的 24 位 BMP 由三部分组成：14 字节的文件头、40 字节的信息头、以及从bfOffBits开始的像素阵列。文件头偏移 10 的 4 字节是bfOffBits，它直接告诉你像素从哪里开始；信息头偏移 28 的 2 字节是biBitCount，常见值是 24 或 32；偏移 30 的 4 字节是压缩方式，BI_RGB为 0，表示不压缩。做 LSB 隐写时，最怕把数据写进文件头或调色板，导致图片打不开，所以第一步永远是读bfOffBits，不是凭感觉从第 54 字节开始写。

24 位 BMP 的像素按 B、G、R 顺序存放，每行还要按 4 字节对齐，行尾可能有 1 到 3 个填充字节。填充字节不参与显示，但也在像素区里。有人喜欢把负载写进填充区，容量小且不同解码器处理不一致，我一般不用，除非只是做实验。32 位 BMP 多一个 Alpha 通道，改 Alpha 的最低位可能让透明区域出现细微变化，所以更稳的做法是只改蓝色通道，或者跳过每 4 字节的第 4 字节。8 位 BMP 带调色板，改索引会牵动颜色表，复杂度和 GIF 类似，入门阶段先不碰。

容量公式要先落到“像素区字节数”上：pixel_bytes = file_size - bfOffBits。如果每字节只用 1 个最低位，理论负载容量是pixel_bytes // 8，再扣掉自己定义的协议头。协议头不能省，至少要有魔数和长度，否则解码时不知道负载在哪里结束。常见做法是写 4 字节魔数加 4 字节小端长度，再写 payload。魔数用来排除“这张图根本没写过”的情况，长度用来防止把后面的像素噪声当成数据。BMP 没有压缩，二进制复制就能保留，这是它比 JPG 省心的地方；代价是文件大，网络传输时容易被二次压缩。

2.2 用 Python 标准库写入和读回 LSB：最小可复现脚本

下面这段代码只依赖标准库，处理 24/32 位、BI_RGB的 BMP。它先写 8 字节协议头，再把每个字节的最低位替换成 payload 的比特。解码时按同样的顺序读回，先校验魔数，再读长度。代码里没有图像库，目的是让文件结构透明，方便你排查每一步。

import struct MAGIC = b'LSB1' def _bmp_pixel_offset(data): if data[:2] != b'BM': raise ValueError('不是BMP文件') off = struct.unpack_from('<I', data, 10)[0] bpp = struct.unpack_from('<H', data, 28)[0] comp = struct.unpack_from('<I', data, 30)[0] if bpp not in (24, 32): raise ValueError('只处理24/32位BMP') if comp != 0: raise ValueError('只处理BI_RGB未压缩BMP') if off >= len(data): raise ValueError('bfOffBits越界') return off def bmp_lsb_encode(src, dst, payload: bytes): data = bytearray(open(src, 'rb').read()) off = _bmp_pixel_offset(data) blob = MAGIC + struct.pack('<I', len(payload)) + payload need_bits = len(blob) * 8 if need_bits > len(data) - off: raise ValueError('容量不足') for i in range(need_bits): bit = (blob[i // 8] >> (7 - (i % 8))) & 1 pos = off + i data[pos] = (data[pos] & 0xFE) | bit open(dst, 'wb').write(data) def bmp_lsb_decode(path): data = open(path, 'rb').read() off = _bmp_pixel_offset(data) raw = bytearray() total_bytes = (len(data) - off) // 8 for n in range(total_bytes): b = 0 for k in range(8): b = (b << 1) | (data[off + n * 8 + k] & 1) raw.append(b) if len(raw) == 4 and raw[:4] != MAGIC: raise ValueError('魔数不匹配，可能不是LSB1载体') if len(raw) >= 8: length = struct.unpack('<I', raw[4:8])[0] if len(raw) >= 8 + length: return bytes(raw[8:8 + length]) raise ValueError('未读到完整负载') # 用法：payload 是任意 bytes，长度先自己算好 bmp_lsb_encode('cover.bmp', 'stego.bmp', b'order=2024;check=3f9a;') print(bmp_lsb_decode('stego.bmp'))

逻辑说明：_bmp_pixel_offset做三件事，校验BM、读bfOffBits、检查位深和压缩方式。bmp_lsb_encode把魔数、长度、payload 拼成blob，按高位到低位逐 bit 写进像素区每个字节的最低位。bmp_lsb_decode反过来每 8 个字节拼一个字节，先看魔数，再看长度，长度够了就返回。参数上，payload建议控制在容量的一半以内，留出余量；dst必须用二进制写入，不能经过图像编辑器再保存。24 位图每个像素 3 字节，代码会顺带改到 G、R 通道的最低位，视觉上通常看不出来，但如果原图有大面积纯色，改多了可能出现轻微噪点。32 位图会改到 Alpha 的最低位，透明图要谨慎。

提示：写入前先用len(blob)*8和len(data)-off做一次硬校验，不要等写完才发现越界。BMP 的行填充不影响这段代码，因为我们是按像素区字节顺序连续写的，不按行坐标写。

2.3 容量、鲁棒性与不可见性的取舍：bit 数、通道和填充区

BMP 的容量账很好算，但“能写多少”和“写多少还稳”是两回事。以 1920×1080 的 24 位 BMP 为例，像素区约1920*1080*3=6220800字节，1 bit/字节的纯理论容量约 777600 字节，扣掉协议头还有 777592 字节。如果你只改蓝色通道，每像素只有 1 个字节可用，容量降到约 259200 字节。改成每字节 2 个最低位，容量翻倍，但颜色偏移和噪声会明显增加，尤其在渐变天空、皮肤、纯色背景上容易被肉眼或直方图看出。我的习惯是默认 1 bit、优先蓝通道、payload 不超过容量的 30%，先保证读得回，再谈藏得多。

鲁棒性方面，BMP 的 LSB 只抗“二进制复制”，不抗缩放、裁剪、转 JPG、聊天软件压缩。有人把 BMP 发到即时通讯工具，对方收到后变成 JPG，LSB 会成片丢失，这是最常见的翻车点。行填充区可以写，但不同软件重存 BMP 时可能重算填充字节，所以不要把关键协议头放在填充区。填充区更适合做“干扰位”或实验标记。另一个细节是调色板：8 位 BMP 的调色板在bfOffBits之前，改调色板会影响显示；24/32 位没有调色板，写入边界最清晰。选型上，BMP 适合做本地校验、离线演示、教学基线，不适合需要跨平台传输后仍能读回的场景。把 BMP 当成“可控环境下的低成本载体”，心态会稳很多。

3. JPG 隐写：DCT 系数和 COM 段两条路，别在像素上硬改

3.1 JPG 的有损链路：为什么像素 LSB 在 JPG 上容易翻车

JPG 的编码链路比 BMP 长得多：颜色转换、8×8 分块、DCT 变换、量化、Z 字扫描、熵编码。你看到的像素是解码后的结果，真正决定文件的是量化后的 DCT 系数和熵编码比特流。像素 LSB 在 JPG 上不成立，因为任何一次重新保存都会重新做 DCT 和量化，最低位被量化步长直接抹掉。我见过最典型的失败是：用脚本改了解码后的 RGB 最低位，再存成 JPG，读回时前几个字节还对，后面全乱。不是脚本写错了，是链路本身不允许。

JPG 隐写常见有三条路。第一条是改量化后的 DCT 系数，通常选中频 AC 系数，把系数的最低位换成 payload bit，再重写熵编码。这条路容量小，鲁棒性中等，画质影响可控，但实现复杂，需要解析量化表、Huffman 表、重启间隔，还要处理系数溢出。第二条是微量调整量化表，把信息编码在量化步长的奇偶或排序里，容量更小，重编码后基本消失。第三条是文件段，比如 COM 注释段或 APP 段，直接塞字节，不碰像素，写入和读取都简单，但任何转码、重存、平台压缩都会丢。我的建议是：做短校验串、配置标记，优先 COM 段；做研究或需要抗一定重编码，再碰 DCT 系数。别把“像素 LSB 改 JPG”当成可行路线，那是拿有损链路当无损通道。

参数上，JPG 的质量因子会改变量化表。质量越低，量化步长越大，DCT 系数被改后越容易被量化抹掉；质量越高，容量和稳定性好一些，但文件更大。中频位置一般选(2,1)、(1,2)、(2,2)这类，避开 DC(0,0)和低频(0,1)、(1,0)，因为低频改一点就会出块效应。每个 8×8 块最多放 1 到 2 bit 比较稳，放多了画质和误码率都会上来。

3.2 不改像素改系数：用 DCT 块中频 AC 系数藏 1 bit 的最小流程

完整 JPG 比特流写入需要熵编码器，不适合用几十行代码硬凑。下面这段是纯 Python 的 DCT 域教学版：构造 8×8 块，做 DCT，量化，把(2,1)位置量化系数的奇偶改成指定 bit，再逆变换看误差。它能帮你理解“系数奇偶”与“画质”的关系，但不是完整 JPG 文件写入器。真实落地时，你需要把这一步接到解析量化表、修改系数、重新熵编码的流程里。

import math def dct8(block): N = 8 out = [[0.0] * N for _ in range(N)] for u in range(N): for v in range(N): s = 0.0 for x in range(N): for y in range(N): s += block[x][y] * math.cos((2*x+1)*u*math.pi/(2*N)) * math.cos((2*y+1)*v*math.pi/(2*N)) cu = 1 / math.sqrt(2) if u == 0 else 1.0 cv = 1 / math.sqrt(2) if v == 0 else 1.0 out[u][v] = 0.25 * cu * cv * s return out def idct8(coef): N = 8 out = [[0.0] * N for _ in range(N)] for x in range(N): for y in range(N): s = 0.0 for u in range(N): for v in range(N): cu = 1 / math.sqrt(2) if u == 0 else 1.0 cv = 1 / math.sqrt(2) if v == 0 else 1.0 s += cu * cv * coef[u][v] * math.cos((2*x+1)*u*math.pi/(2*N)) * math.cos((2*y+1)*v*math.pi/(2*N)) out[x][y] = 0.25 * s return out def set_parity(coef, pos, bit, q=10.0): u, v = pos qc = round(coef[u][v] / q) if qc % 2 != bit: qc += 1 coef[u][v] = qc * q return coef # 构造一个 8x8 灰度块，模拟量化后的系数奇偶修改 block = [[float((x*17 + y*31) % 256) for y in range(8)] for x in range(8)] coef = dct8(block) q = 10.0 quant = [[round(coef[u][v] / q) for v in range(8)] for u in range(8)] set_parity(quant, (2, 1), 1, q) recon = idct8(quant) mse = sum((block[x][y] - recon[x][y]) ** <p> <a href="https://download.csdn.net/download/qq_36554318/10435196" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>